遗传算法GA(goat工具箱)

 

function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)

输出参数：

pop 生成的初始种群

输入参数：

num 种群中个体数目

bounds 代表变量的上下界的矩阵

eevalFN 适应度函数

eevalOps 传递给适应度函数的参数

options 选择编码形式（浮点编码或二进制编码）

  precision 变量进行二进制编码时指定的精度

 

function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...
termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)

输出参数：

x 求得的最优解

endPop 最终得到的种群

bPop 最优种群的一个搜索轨迹

输入参数：

bounds 代表变量上下界的矩阵

evalFN 适应度函数

evalOps 传递给适应度函数的参数

startPop 初始种群

opts[epsilon prob_ops display] opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。

如[1e-6 1 0]

termFN 终止函数的名称

termOps 传递终止函数的参数

selectFN 选择函数的名称

selectOps 传递选择函数的参数

xOverFNs 交叉函数名称表

xOverOps 传递给交叉函数的参数表

mutFNs 变异函数表

 

 

 

1.求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08

function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
end

 

>> initPop=initializega(10,[0 10],'fitness');
[x endPop,bPop,trace]=ga([0 10],'fitness',[],initPop,...
  [1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...
  [0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]);

>> bPop

bPop =

    1.0000    9.3320   20.3311
    4.0000    7.8404   24.8068
    9.0000    7.8448   24.8296
   11.0000    7.8467   24.8373
   13.0000    7.8565   24.8554
   25.0000    7.8565   24.8554

>> x

x =

    7.8565   24.8554
当x为7.8565时，f（x）取最大值24.8554

 sol它的每行代表种群中的一个个体，假如有n个变量，那么每行的前n列就代表每个变量的值，如x1,x2....,xn，最后一列代表的是这些变量的适应值，也就是eval。由于intializega函数执行时，要调用fitness函数，并且传递给fitness函数一个个体的信息，该个体信息是1行n+1列的向量，所以sol得到的值实际是1行n+1列的向量，但是计算适应值只有用到前n个信息就行了，即用到（x1,x2....,xn）的值，因此fitness调用sol(1:n).
一般情况下x只是单变量，即n=1,所以就会出现调用sol(1)了

 

 

假设有多个自变量

function [sol,eval]=fitness(sol,options)
numvar=size(sol,2)-1;%求出自变量个数 假设有多个自变量
x=sol(1:numvar);
eval=-(sum(x.^2));%适应度函数
end